跳到正文
bioRxiv· Yamahata, I.; Shimamura, T.; Hayashi, S.·· 来源仅提供日期AI 评分54

研究提出亲和力引导的共享潜空间 PDZ 结合肽设计方法

Affinity-guided design of PDZ-binding peptides in a shared latent space

AI 导读

研究提出一种从定量 PDZ-PBM 亲和力中学习共享潜空间的深度学习方法,用于设计 PDZ 结合肽。该方法把单靶点、避脱靶和双靶点目标表示为潜空间方向,使同一训练模型无需重训练即可适配不同结合目标。

预印本 · biorxiv · 10.64898/2026.11.11.765864

本站摘要基于收录版本 v1(2026-11-13),原始摘要与 AI 导读固定保留。

来源最近更新: · 来源 v1

摘要 · AI 翻译

PDZ 结合基序(PBMs)是结合 PDZ 结构域的短 C 端序列,有助于蛋白质定位和复合物组装。设计 PBMs 可以在不改变大部分原始蛋白质序列的情况下调节这些相互作用。由于 PDZ 识别偏好存在重叠,调节目标相互作用需要在考虑目标亲和力的同时兼顾脱靶结合。计算型 PBM 设计方法通常采用基于序列的亲和力预测和基于结构的评估,但用单一训练模型引导序列搜索以实现不同的结合目标仍具挑战性。在此,我们提出一种基于深度学习的 PBM 设计方法,通过定量 PDZ-PBM 亲和力预测学习得到的 PDZ-PBM 共享潜空间,将单目标、脱靶感知和双目标设计目标解析地表述为该空间中的方向。在 DLG4-PDZ3 的单目标 PBM 重设计中,我们的方法识别出 100 个排名靠前的候选,其中 84 个在已发表突变文库的实验测量相互作用适应度中位列前 1%,而现有方法为 64 个。在 10 残基 PBM 的单目标从头设计中,对于所测试的四个 PDZ 结构域中的三个,我们的方法在所比较方法中取得了最高的中位计算机模拟结合评分。在针对 PTPN3 和 SCRIB-PDZ3 的脱靶感知与双目标 PBM 设计中,脱靶感知设计以较低的目标结构域评分为代价,提高了每个结构域内的组间评分差异,而双目标设计对两个结构域均产生了接近各自单目标设计的评分。这些结果共同表明,从定量亲和力中学到的共享潜表示使单一训练模型能够在无需重新训练的情况下,跨不同结合目标引导 PBM 设计。

来源:bioRxiv · biorxiv.org